生成式AI：從“投喂模型”到“驅(qū)動(dòng)數(shù)據(jù)閉環(huán)”的存儲(chǔ)挑戰(zhàn)

生成式AI的爆發(fā)，首先是一個(gè)數(shù)據(jù)總量與處理方式改變的問題。無論是文本生成、圖像合成還是多模態(tài)大模型，其底層都依賴海量異構(gòu)數(shù)據(jù)和高頻訪問的存儲(chǔ)支持。

過去訓(xùn)練階段以“順序讀寫、離線處理”為主，但今天的大模型迭代更強(qiáng)調(diào)：

• 快速并發(fā)的數(shù)據(jù)調(diào)用
• 多版本模型的并行訓(xùn)練
• 推理時(shí)對(duì)多個(gè)數(shù)據(jù)切片的低延遲調(diào)用

這意味著：

1. 帶寬瓶頸突出：數(shù)據(jù)加載已成為訓(xùn)練與推理的“隱性剎車點(diǎn)”，如大模型熱啟動(dòng)時(shí)的TB級(jí)權(quán)重加載，存儲(chǔ)如果響應(yīng)不過來，算力資源只能空轉(zhuǎn)。
2. 并發(fā)訪問壓力劇增：多模型并行+多用戶接入推理+微調(diào)任務(wù)疊加，正在突破傳統(tǒng)NAS和分布式文件系統(tǒng)的IOPS承載能力。
3. 冷熱數(shù)據(jù)管理失衡：訓(xùn)練數(shù)據(jù)、緩存參數(shù)、推理結(jié)果、提示詞上下文等數(shù)據(jù)在生命周期上差異極大，需要更敏捷的存儲(chǔ)分層與調(diào)度策略。

簡而言之，生成式AI將“讀多寫少”的AI存儲(chǔ)模型推向極限，高性能、分層調(diào)度、低延遲成為基礎(chǔ)要求。

智能體時(shí)代：從“管模型”到“管行為”的存儲(chǔ)重構(gòu)

如果說生成式AI需要的是“高效的數(shù)據(jù)加載”，那么智能體時(shí)代（Agentic AI）則提出了一個(gè)更復(fù)雜的命題：“持久、可追溯、可互動(dòng)”的數(shù)據(jù)與行為記錄系統(tǒng)。

智能體不同于傳統(tǒng)模型調(diào)用，其核心特征是：

• 長期運(yùn)行（Long-lived）
• 自主感知與行動(dòng)（Autonomous）
• 狀態(tài)持續(xù)更新（Stateful）
• 任務(wù)交互復(fù)雜（Multi-agent collaboration）

這對(duì)存儲(chǔ)系統(tǒng)提出了四類全新要求：

1. 日志型寫入負(fù)載（Write-intensive）
   • 每個(gè)Agent的行為過程、狀態(tài)變更、交互信息都需要持續(xù)寫入和持久化，形成完整的Agent記憶和行為日志。
   • 類似數(shù)據(jù)庫，但量級(jí)遠(yuǎn)高于傳統(tǒng)系統(tǒng)，類似“行為級(jí)時(shí)間數(shù)據(jù)庫”。
2. 高頻讀寫混合（Mixed IO）
   • 智能體需要頻繁讀歷史信息、寫入新決策，數(shù)據(jù)訪問模式呈現(xiàn)高度不規(guī)律的“熱跳變”特征。
3. 版本管理與回溯
   • 每一個(gè)Agent的狀態(tài)演進(jìn)、模型調(diào)用、結(jié)果評(píng)估都需留痕，實(shí)現(xiàn)任務(wù)可追溯、狀態(tài)可回滾。
4. 協(xié)同訪問和分布式共享
   • 多智能體協(xié)同任務(wù)下，數(shù)據(jù)需要在不同Agent間共享，同時(shí)保持隔離、并發(fā)一致性。

這意味著：傳統(tǒng)以“模型調(diào)度”為核心的數(shù)據(jù)架構(gòu)，必須升級(jí)為以“行為持久化與交互協(xié)同”為目標(biāo)的Agent-native存儲(chǔ)體系。

未來趨勢(shì)：AI時(shí)代的存儲(chǔ)，必須具備哪些“新基建”能力？

結(jié)合上述生成式AI和智能體雙向演進(jìn)，我們認(rèn)為未來AI基礎(chǔ)設(shè)施中的“存儲(chǔ)底座”需具備以下六大核心能力：

高并發(fā)低延遲的訪問性能

支持上萬個(gè)模型/Agent的同時(shí)調(diào)用，讀寫IOPS數(shù)量級(jí)需上升兩個(gè)維度。

橫向擴(kuò)展與云邊協(xié)同能力

支持大規(guī)模并行訓(xùn)練與推理任務(wù)的靈活擴(kuò)展，適配GPU集群與邊緣節(jié)點(diǎn)部署。

數(shù)據(jù)分層與生命周期感知

自動(dòng)識(shí)別數(shù)據(jù)冷熱，動(dòng)態(tài)遷移至不同介質(zhì)（高性能SSD/QLC/磁帶等），優(yōu)化成本與訪問效率。

原生多協(xié)議支持（對(duì)象/塊/文件）

同時(shí)支撐AI數(shù)據(jù)湖、推理緩存、日志寫入等多種數(shù)據(jù)類型。

可觀測(cè)性與智能調(diào)度能力

實(shí)時(shí)掌握數(shù)據(jù)流動(dòng)與存儲(chǔ)瓶頸，配合AIOps實(shí)現(xiàn)資源智能分配。

安全合規(guī)與數(shù)據(jù)主權(quán)保護(hù)

在多Agent/多模型/跨域部署場(chǎng)景下，確保數(shù)據(jù)隔離、訪問審計(jì)與隱私保護(hù)。

最后

我們正在步入一個(gè)模型不再“冷啟動(dòng)”，而是持續(xù)運(yùn)行、動(dòng)態(tài)演化的AI時(shí)代。生成式AI讓算力成為焦點(diǎn)，但智能體的興起正在讓“存力”成為關(guān)鍵支柱。

在這個(gè)過程中，存儲(chǔ)不再只是數(shù)據(jù)倉庫或緩存中轉(zhuǎn)站，而是變成了支撐AI行為邏輯、決策協(xié)同與知識(shí)記憶的核心基礎(chǔ)設(shè)施。未來真正強(qiáng)大的AI系統(tǒng)，不僅要擁有強(qiáng)算力，更需要一套“懂行為、會(huì)協(xié)作、有記憶”的存儲(chǔ)體系。

以“釋放數(shù)據(jù)潛能，加速智能涌現(xiàn)”為主題的2025中國數(shù)據(jù)與存儲(chǔ)峰會(huì)將于11月18日在北京舉行，共探AI時(shí)代的數(shù)據(jù)基礎(chǔ)設(shè)施演進(jìn)、存儲(chǔ)技術(shù)創(chuàng)新、智能應(yīng)用實(shí)踐及未來發(fā)展趨勢(shì)，迎接智能時(shí)代新機(jī)遇。

崔歡歡